Dynamic Memory Networks per la Sentiment Analysis: studio e sperimentazione in ambito Deep Learning

Piscaglia, Nicola (2017) Dynamic Memory Networks per la Sentiment Analysis: studio e sperimentazione in ambito Deep Learning. [Laurea], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [L-DM270] - Cesena
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (3MB)

Abstract

L’argomento principale della tesi è la progettazione di un classificatore di recensioni relative a prodotti commerciali, caratterizzate da linguaggi e contesti differenti, utilizzando lo stato dell’arte in ambito Deep Learning, rappresentato dalle reti neurali artificiali Dynamic Memory Networks Plus, e tecniche di Transfer Learning in compiti di in-domain e cross-domain sentiment classification. Quest’ultima tecnica consiste nel valutare pareri positivi o negativi di un certo dominio, detto target, utilizzando la conoscenza estratta da un dominio sorgente eterogeneo nel linguaggio. La motivazione delle tecniche cross-domain è il superamento della costosa preclassificazione di numerosi esempi altrimenti operata da un esperto umano. Soluzioni altamente scalabili sono state largamente applicate solamente in compiti di classificazione in-domain, utilizzando documenti appartenenti allo stesso dominio, nonostante l’area di ricerca del Transfer Learning sia di grande interesse in termini economici da parte di numerose aziende. Questa tesi mira ad analizzare l’efficacia di applicazione di tecniche di Deep Learning prevalentemente tramite Dynamic Memory Networks Plus modellando i problemi di classificazione come compiti di Question Answering, e negli esperimenti In-Domain anche attraverso l’uso di Convolutional Neural Networks per la Sentiment Classification. I risultati ottenuti verranno confrontati con esperimenti di classificazione analoghi eseguiti attraverso l’utilizzo di reti Dynamic Memory Network originali e Long-Short-Term-Memory per dimostrare come l’applicazione delle architetture CNN e DMN+ migliori effettivamente i risultati precedentemente ottenuti in questo ambito.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Piscaglia, Nicola
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum ingegneria informatica
Ordinamento Cds
DM270
Parole chiave
Deep Learning,Dynamic Memory Networks,Transfer Learning,Sentiment Analysis,Sentiment Classification,Reti Neurali,Deep Neural Networks,Convolutional Neural Networks,DMN,DMN+,CNN
Data di discussione della Tesi
5 Ottobre 2017
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^